Tren cu datele țintă generate în cadrul modelului

voturi
0

Cum pot obține funcția de pierdere utilizată de tf.keras.Model.fit(x, y)a compara două ieșiri în cadrul graficului în loc de o ieșire cu datele țintă furnizate extern, y?

Grafic

Manualul spune că poți folosi tensori pentru valoarea-țintă, care suna ca ceea ce vreau, dar că, atunci ai nevoie, de asemenea, intrările să fie tensori. Dar intrările mele sunt matrice NumPy și nu cred că ar trebui să trebuie să se schimbe asta.

Întrebat 09/10/2019 la 13:00
sursa de către utilizator
În alte limbi...                            


1 răspunsuri

voturi
1

1 - Simplu, cel mai bun - poate nu e bun pentru memorie

De ce nu obține doar elementele așteptate pentru pierderea deja?

new_y_train = non_trainable_ops_model.predict(original_y_train)   
nn_model.fit(x_train, new_y_train)

Acest lucru pare cu siguranta cel mai bun mod în cazul în care memoria se poate ocupa de acest lucru. Modelul mai simplu, mai rapid de formare.

Puteți chiar salva / încărca date noi:

np.save(name, new_y_train)   
new_y_train = np.load(name)

2 - Asigurați modelul de ieșire pierderea și de a folosi o pierdere dummy pentru compilarea

pierderi:

def dummy_loss(true, pred):
    return pred

def true_loss(x):
    true, pred = x

    return loss_function(true, pred) #you can probably from keras.losses import loss_function    

Model:

#given
nn_model = create_nn_model()
non_trainable_ops_model = create_nto_model()

nn_input = Input(nn_input_shape)
nto_input = Input(nto_input_shape)

nn_outputs = nn_model(nn_input)
nto_outputs = non_trainable_ops_model(nto_input)

loss = Lambda(true_loss)([nto_outputs, nn_outputs])

training_model = Model([nn_input, nto_input], loss)
training_model.compile(loss = dummy_loss, ...)

training_model.fit([nn_x_train, nto_x_train], np.zeros((len(nn_x_train),)))

3 - Activare execuție dornici și de a face bucle de formare personalizate

https://www.tensorflow.org/tutorials/customization/custom_training_walkthrough

Publicat 09/10/2019 la 16:39
sursa de către utilizator

Cookies help us deliver our services. By using our services, you agree to our use of cookies. Learn more